一种公路交通阻断状态的分级和预测方法、系统与流程
- 国知局
- 2024-07-31 21:28:04
本发明涉及交通安全,尤其涉及一种公路交通阻断状态的分级和预测方法、系统。
背景技术:
1、公路交通阻断信息包括公路交通中断信息和阻塞信息。交通中断指因某种原因导致公路无法通行或被迫封闭(包括对公路采取全部封闭、部分车道封闭、限时封闭、封闭收费站、主线分流、暂停施工等措施)的状态;交通阻塞指公路上行驶中的车辆因某种原因(包括对车辆采取巡逻管控、间断放行、限车型放行、限流和限速放行等管制措施)在道路的某一区段异常地密集或集中,导致后续的车辆低速驾驶、停驶甚至滞留的状态。
2、目前,交通阻断的评价指标为交通阻断时长、交通阻断里程和交通阻断严重度,以上指标均为量化指标,仅能从单一维度评价交通阻断,无法综合评价交通阻断状态,且缺乏交通阻断状态的等级划分和预测方法,难以为阻断后公路管理部门应急抢通提供参考依据。
技术实现思路
1、本发明的目的在于克服现有的交通阻断的评价指标无法综合评价交通阻断状态,且缺乏交通阻断状态的等级划分和预测方法,难以为公路管理部门应急抢通提供参考依据的问题,提供一种公路交通阻断状态的分级和预测方法、系统。
2、为了实现上述发明目的,本发明提供了以下技术方案:
3、一种公路交通阻断状态的分级和预测方法,包括以下步骤:
4、s1.对交通阻断事件数据进行正向化和标准化处理;
5、s2.根据s1处理后的交通阻断事件数据,运用熵权topsis法对交通阻断状态进行评价;
6、s3.根据s2对交通阻断状态的评价,运用k-medoids聚类算法对交通阻断状态进行分级;
7、s4.根据s3对交通阻断状态的分级,运用lightgbm算法构建交通阻断状态级别预测模型;
8、s5.将待预测数据输入所述交通阻断状态级别预测模型,输出预测结果。
9、可选地,s1包括以下步骤:
10、s11. 整理交通阻断事件数据,交通阻断事件数据包括交通阻断事件序号、交通阻断时长、交通阻断里程、交通阻断严重度,其中交通阻断时长、交通阻断里程、交通阻断严重度为参数指标;
11、s12.
12、对参数指标进行正向化处理,采用原参数指标值作为正向化之后的数值,即:
13、
14、式中, x ij为原参数指标值,为正向化之后的参数指标值, i为交通阻断事件的序号, i=1,2…m, j为参数指标, j=1,2,3;
15、对正向化之后的参数指标值进行标准化处理:
16、
17、式中,mean(xj)为第j个正向化之后的参数指标的平均值;
18、std(xj)为第j个正向化之后的参数指标的标准差;
19、为经过正向化和标准化的参数指标值。
20、可选地,s2运用熵权topsis法对交通阻断状态进行评价,包括以下步骤:
21、s211.计算经过正向化和标准化的参数指标比重:
22、
23、式中,pij为第j个经过正向化和标准化的参数指标在第i个交通阻断事件的比重;
24、m为交通阻断事件的个数;
25、s212.计算经过正向化和标准化的参数指标信息熵:
26、
27、式中,ej为第j个经过正向化和标准化的参数指标信息熵,0≤ej≤1
28、s213.计算经过正向化和标准化的参数指标效用值:
29、dj=1- ej
30、式中,dj为第j个经过正向化和标准化的参数指标的效用值;
31、s214.计算经过正向化和标准化的参数指标权重:
32、
33、式中,wj为第j个经过正向化和标准化的参数指标的权重,n=3;
34、s221.计算经熵权法加权后的交通阻断事件数据中每一个经过正向化和标准化后参数指标的最大值:
35、
36、式中,, i=1,2…m,是经熵权法加权后的交通阻断事件数据,经熵权法加权后的交通阻断事件数据构成数据矩阵,数据矩阵r包括加权后的经过正向化和标准化后的参数指标;
37、为经熵权法加权后的交通阻断事件数据中每一个经过正向化和标准化后参数指标的最大值;
38、s222.计算经熵权法加权后的交通阻断事件数据中每一个经过正向化和标准化后参数指标的最小值:
39、
40、式中,为经熵权法加权后的交通阻断事件数据中每一个经过正向化和标准化后参数指标的最小值;
41、s223.计算第i个交通阻断事件与加权后的参数指标的最大值距离:
42、
43、式中,是第i个交通阻断事件与加权后的参数指标的最大值的距离;
44、s224.计算第i个交通阻断事件与加权后的参数指标的最小值距离:
45、
46、式中,是第i个交通阻断事件与加权后的参数指标的最小值的距离;
47、s225.计算每个交通阻断事件评分值:
48、
49、式中,scorei是第i个交通阻断事件的评分值,0≤scorei≤100。
50、可选地,s3包括以下步骤:
51、s31.对交通阻断状态分级,将交通阻断状态分为5级;
52、从所有scorei中随机选择5个点,作为初始聚类中心集;
53、计算剩余数据对象与中心点的欧式距离,并将所述欧式距离分配给最近的一个簇,产生初始聚类结果;
54、进行迭代,对于每个非中心点对象,用当前点替换其中一个中心点,并计算所产生的代价函数,若代价值为负,则替换,若代价值为非负,则保留原中心点;
55、最终得到较优的中心点集合;
56、s32.采用聚类轮廓系数指标评估聚类效果,进行分级效果评价。
57、可选地,s31中,k-medoids聚类算法的准则函数为:
58、
59、式中,k为分类数,k=5;
60、 p是空间中的任意点;
61、oi代表簇 c i的中心点;
62、进行新一轮迭代后,以表示新中心集划分的簇,以代表原来的簇,则新中心集划分的簇的准则函数为:
63、
64、原来的簇的准则函数为:
65、
66、代价函数为 cost=e new -e old。
67、可选地,s32中,
68、计算每个交通阻断事件与同一簇内其他点的平均距离,记为a(i);
69、计算每个交通阻断事件与最邻近的不属于同一簇的所有点的平均距离,记为b(i);
70、第i个交通阻断事件的轮廓系数为
71、
72、计算所有交通阻断事件轮廓系数的平均值,即为聚类的轮廓系数。
73、可选地,s4中,所述交通阻断状态级别预测模型的自变量指标包括交通运行数据、发生灾害数据、公路等级数据,所述交通阻断状态级别预测模型的因变量指标为交通阻断状态等级;
74、所述交通运行数据包括交通量和车型比,所述交通量是将不同车型折算为当量交通量,小客车的折减系数为1、中型车的折减系数为1.5、大型车的折减系数为2.5、汽车列车的折减系数为4、摩托车的折减系数为0.5、拖拉机的折减系数为4;
75、所述发生灾害数据至少按照泥石流、积雪、塌方、交通事故、交通管制、基础设施损毁、滑坡进行分类,每起交通阻断事件对应有灾害类型;
76、所述公路等级数据分为高速公路、一级公路、二级公路、三级公路和四级公路五个等级,每起交通阻断事件对应有公路等级类型。
77、可选地,构件所述交通阻断状态级别预测模型后,进一步运用xgboost算法得到各自变量指标的贡献率。
78、可选地,所述交通阻断状态级别预测模型中,80%数据作为训练集,20%数据作为测试集,采用3折交叉验证,最优学习率设置为0.1。
79、一种公路交通阻断状态的分级和预测系统,包括至少一个处理器,以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,所述指令被至少一个处理器执行,以使至少一个处理器能够执行上述的公路交通阻断状态的分级和预测方法。
80、与现有技术相比,本发明的有益效果是:
81、1.本发明提供的公路交通阻断状态的分级和预测方法,首先对交通阻断事件数据进行正向化和标准化处理,消除数据量纲影响;s2中熵权topsis法结合了熵权法和topsis法的优点,是一种综合评价方法。其中使用熵权法确定参数指标权重,熵权法是一种客观赋权方法,主要根据指标的变异程度(如方差)来确定权重,变异程度大的指标包含更多的信息,因此权重也较大;使用topsis法对交通阻断状态进行评价,topsis法是通过计算各个评价对象与理想化方案(最优方案和最劣方案)之间的距离来评价优劣,其结果能精确地反映各评价方案之间的差距;s3中得到量化值后,进一步运用k-medoids聚类算法对交通阻断状态进行分级,k-medoids聚类算法,即k-中心聚类算法,是基于k-means聚类算法的改进算法。k-means中选取的中心点为当前类中所有点的重心;而k-medoids法选取的中心点为当前类中任意一点,准则函数是当前类中所有其他点到该中心点的距离之和最小,这在一定程度上削弱了异常值的影响;最后运用lightgbm算法构建交通阻断状态等级预测模型,lightgbm算法是gbdt算法的一个进化版本,主要加入了基于梯度的单面采样算法(gradient⁃based one⁃side sampling,goss)、基于leaf⁃wise算法的生长策略构建树和特征捆绑算法(exclusive feature bunding,efb)等优化算法。因此,与传统 gbdt 框架相比,lightgbm具有节省内存、速度快且泛化能力较好等优点;综合来看,本发明的公路交通阻断状态的分级和预测方法,方法完整、全面、客观,预测效率高、精度高,具有很强的可行性和实用性。
本文地址:https://www.jishuxx.com/zhuanli/20240731/189654.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表